Python爬虫 你真的会写爬虫吗？
咱们直接进入今天的主题---你真的会写爬虫吗？为啥标题是这样，因为我们日常写小爬虫都是一个py文件加上几个请求，但是如果你去写一个正式的项目时，你必须考虑到很多种情况，所以我们需要把这些功能全部模块化，这样也使我们的爬虫更加的健全。
2基础爬虫的架构以及运行流程
首先，给大家来讲讲基础爬虫的架构到底是啥样子的？jap君给大家画了张粗糙的图：
从图上可以看到，整个基础爬虫架构分为5大类：爬虫调度器、url管理器、html下载器、html解析器、数据存储器。
下面给大家依次来介绍一下这5个大类的功能：
爬虫调度器，主要是配合调用其他四个模块，所谓调度就是取调用其他的模板
url管理器，就是负责管理url链接的，url链接分为已经爬取的和未爬取的，这就需要url管理器来管理它们，同时它也为获取新url链接提供接口。
html下载器，就是将要爬取的页面的html下载下来
html解析器，就是将要爬取的数据从html源码中获取出来，同时也将新的url链接发送给url管理器以及将处理后的数据发送给数据存储器。
数据存储器，就是将html下载器发送过来的数据存储到本地
3实战爬取菜鸟笔记信息
差不多就介绍这么些东西，相信大家对整体的架构有了初步的认识，下面我简单找了个网站给大家演示一遍用爬虫架构来爬取信息：
（目标站点）
我们来获取上面列表中的信息，这里我就省略了分析网站的一步，如果大家不会分析，可以去看我之前写的爬虫项目。
首先，我们来写一下url管理器（urlmanage.py）
class urlmanager(object): def __init__(self): self.new_urls = set() self.old_urls = set() def has_new_url(self): # 判断是否有未爬取的url return self.new_url_size()!=0 def get_new_url(self): # 获取一个未爬取的链接 new_url = self.new_urls.pop() # 提取之后，将其添加到已爬取的链接中 self.old_urls.add(new_url) return new_url def add_new_url(self, url): # 将新链接添加到未爬取的集合中(单个链接) if url is none: return if url not in self.new_urls and url not in self.old_urls: self.new_urls.add(url) def add_new_urls(self,urls): # 将新链接添加到未爬取的集合中(集合) if urls is none or len(urls)==0: return for url in urls: self.add_new_url(url) def new_url_size(self): # 获取未爬取的url大小 return len(self.new_urls) def old_url_size(self): # 获取已爬取的url大小 return len(self.old_urls)
在这里主要就是两个集合，一个是已爬取url的集合，另一个是未爬取url的集合。这里我使用的是set类型，因为set自带去重的功能。
接下来，html下载器（htmldownload.py）
importrequestsclasshtmldownload(object): def download(self, url): if url is none: return s = requests.session() s.headers['user-agent'] ='mozilla / 5.0(windows nt 10.0;wow64) applewebkit / 537.36(khtml, likegecko) chrome / 63.0.3239.132safari / 537.36' res = s.get(url) # 判断是否正常获取 if res.status_code == 200: res.encoding='utf-8' res = res.text return resreturnnone
可以看到这里我们只是简单的获取了，url中的html源码
接着看html解析器（htmlparser.py）
import refrombs4importbeautifulsoupclass htmlparser(object): def parser(self, page_url, html_cont): ''' 用于解析网页内容，抽取url和数据 :param page_url: 下载页面的url :param html_cont: 下载的网页内容 :return: 返回url和数据 ''' if page_url is none or html_cont is none: return soup = beautifulsoup(html_cont, 'html.parser') new_urls = self._get_new_urls(page_url, soup) new_data = self._get_new_data(page_url, soup) return new_urls, new_data def _get_new_urls(self,page_url,soup): ''' 抽取新的url集合 :param page_url:下载页面的url :param soup: soup数据 :return: 返回新的url集合 ''' new_urls = set() for link in range(1,100): # 添加新的urlnew_url=http://www.runoob.com/w3cnote/page/+str(link) new_urls.add(new_url) print(new_urls) return new_urls def _get_new_data(self,page_url,soup): ''' 抽取有效数据 :param page_url:下载页面的url :param soup: :return: 返回有效数据 ''' data={} data['url'] = page_url title = soup.find('div', class_='post-intro').find('h2') print(title) data['title'] = title.get_text() summary = soup.find('div', class_='post-intro').find('p') data['summary'] = summary.get_text()returndata
在这里，我们将html下载器的源码进行了分析和解析，从而得到了我们想要拿到的数据，如果beautifulsoup不懂的可以去看一下我之前写的文章。
继续看，数据存储器（dataoutput.py）
importcodecsclass dataoutput(object): def __init__(self): self.datas = [] def store_data(self,data): if data is none: return self.datas.append(data) def output_html(self): fout = codecs.open('baike.html', 'a', encoding='utf-8') fout.write() fout.write() fout.write() fout.write() for data in self.datas: fout.write() fout.write(%s %data['url']) fout.write(《%s》 % data['title']) fout.write([%s] % data['summary']) fout.write(
) self.datas.remove(data) fout.write(
) fout.write() fout.write() fout.close()
大家可能发现我这里是将数据存储到一个html的文件当中，在这里你当然也可以存在mysql或者csv等文件当中，这个看自己的选择，我这里只是为了演示所以就放在了html当中。
最后一个，爬虫调度器（spiderman.py）
from base.dataoutput import dataoutputfrom base.htmlparser import htmlparserfrom base.htmldownload import htmldownloadfrom base.urlmanager import urlmanagerclass spiderman(object): def __init__(self): self.manager = urlmanager() self.downloader = htmldownload() self.parser = htmlparser() self.output = dataoutput() def crawl(self, root_url): # 添加入口url self.manager.add_new_url(root_url) # 判断url管理器中是否有新的url，同时判断抓取多少个url while(self.manager.has_new_url() and self.manager.old_url_size()<100): try: # 从url管理器获取新的url new_url = self.manager.get_new_url() print(new_url) # html下载器下载网页 html = self.downloader.download(new_url) # html解析器抽取网页数据 new_urls, data = self.parser.parser(new_url, html) print(new_urls) # 将抽取的url添加到url管理器中 self.manager.add_new_urls(new_urls) # 数据存储器存储文件 self.output.store_data(data) print(已经抓取%s个链接 % self.manager.old_url_size()) except exception as e: print(failed) print(e) # 数据存储器将文件输出成指定的格式 self.output.output_html()if __name__ == '__main__': spider_man = spiderman()spider_man.crawl(http://www.runoob.com/w3cnote/page/1)
相信这里大家都能看懂，我就是将前面我们写的四个模板在这里把它们调用了一下，我们运行后的结果：
4总结
我们这里简单的讲解了一下，爬虫架构的五个模板，无论是大型爬虫项目还是小型的爬虫项目都离不开这五个模板，希望大家能够照着这些代码写一遍，这样有利于大家的理解，大家以后写爬虫项目也要按照这种架构去写，这样你的爬虫看起来就会更加的规范、健全。
粮食重金属检测仪功能特点的详细介绍
华为与龙岗区政府签署战略合作协议，共同建设全屋智能产业生态
爱接力目标五年之内让每个家庭都配有一台语音交互智能管家机器人
资深FPGA工程师谈评估FPGA资源技巧
荣耀畅玩7评测 结实耐用音量给力599元入门可用
Python爬虫 你真的会写爬虫吗？
苹果智能手机为什么迟迟不搭载屏下指纹识别技术
随着日产能源计划的推出 车企转型又多了一个新方向
谷歌利用人工智能技术来预测航班延误
2018智能硬件开发者创客大会正式开幕_六大活动亮点
低成本打造企业呼叫中心系统，蒲公英智能组网案例解析
荣耀8C的续航怎么样
PCBA加工中：激光回流焊与传统热风焊的区别
锂离子电池的基本工作原理
汽修示波器测量汽车车速传感器信号及分析
7月1日起,闪存产品价格或将出现10-15％涨幅!
千兆位多媒体串行链路SerDes IC推动汽车安全和信息娱乐系统发展
为什么蔚来将于9月份赴美上市，特斯拉却考虑退市私有化？
中国联通：2020 年 12 月 4G 用户净增 112.3 万户
发生漏电的原因
2基础爬虫的架构以及运行流程
首先，给大家来讲讲基础爬虫的架构到底是啥样子的？jap君给大家画了张粗糙的图：
从图上可以看到，整个基础爬虫架构分为5大类：爬虫调度器、url管理器、html下载器、html解析器、数据存储器。
下面给大家依次来介绍一下这5个大类的功能：
爬虫调度器，主要是配合调用其他四个模块，所谓调度就是取调用其他的模板
url管理器，就是负责管理url链接的，url链接分为已经爬取的和未爬取的，这就需要url管理器来管理它们，同时它也为获取新url链接提供接口。
html下载器，就是将要爬取的页面的html下载下来
html解析器，就是将要爬取的数据从html源码中获取出来，同时也将新的url链接发送给url管理器以及将处理后的数据发送给数据存储器。
数据存储器，就是将html下载器发送过来的数据存储到本地
3实战爬取菜鸟笔记信息
差不多就介绍这么些东西，相信大家对整体的架构有了初步的认识，下面我简单找了个网站给大家演示一遍用爬虫架构来爬取信息：
（目标站点）
我们来获取上面列表中的信息，这里我就省略了分析网站的一步，如果大家不会分析，可以去看我之前写的爬虫项目。
首先，我们来写一下url管理器（urlmanage.py）
class urlmanager(object): def __init__(self): self.new_urls = set() self.old_urls = set() def has_new_url(self): # 判断是否有未爬取的url return self.new_url_size()!=0 def get_new_url(self): # 获取一个未爬取的链接 new_url = self.new_urls.pop() # 提取之后，将其添加到已爬取的链接中 self.old_urls.add(new_url) return new_url def add_new_url(self, url): # 将新链接添加到未爬取的集合中(单个链接) if url is none: return if url not in self.new_urls and url not in self.old_urls: self.new_urls.add(url) def add_new_urls(self,urls): # 将新链接添加到未爬取的集合中(集合) if urls is none or len(urls)==0: return for url in urls: self.add_new_url(url) def new_url_size(self): # 获取未爬取的url大小 return len(self.new_urls) def old_url_size(self): # 获取已爬取的url大小 return len(self.old_urls)
在这里主要就是两个集合，一个是已爬取url的集合，另一个是未爬取url的集合。这里我使用的是set类型，因为set自带去重的功能。
接下来，html下载器（htmldownload.py）
importrequestsclasshtmldownload(object): def download(self, url): if url is none: return s = requests.session() s.headers['user-agent'] ='mozilla / 5.0(windows nt 10.0;wow64) applewebkit / 537.36(khtml, likegecko) chrome / 63.0.3239.132safari / 537.36' res = s.get(url) # 判断是否正常获取 if res.status_code == 200: res.encoding='utf-8' res = res.text return resreturnnone
可以看到这里我们只是简单的获取了，url中的html源码
接着看html解析器（htmlparser.py）
import refrombs4importbeautifulsoupclass htmlparser(object): def parser(self, page_url, html_cont): ''' 用于解析网页内容，抽取url和数据 :param page_url: 下载页面的url :param html_cont: 下载的网页内容 :return: 返回url和数据 ''' if page_url is none or html_cont is none: return soup = beautifulsoup(html_cont, 'html.parser') new_urls = self._get_new_urls(page_url, soup) new_data = self._get_new_data(page_url, soup) return new_urls, new_data def _get_new_urls(self,page_url,soup): ''' 抽取新的url集合 :param page_url:下载页面的url :param soup: soup数据 :return: 返回新的url集合 ''' new_urls = set() for link in range(1,100): # 添加新的urlnew_url=http://www.runoob.com/w3cnote/page/+str(link) new_urls.add(new_url) print(new_urls) return new_urls def _get_new_data(self,page_url,soup): ''' 抽取有效数据 :param page_url:下载页面的url :param soup: :return: 返回有效数据 ''' data={} data['url'] = page_url title = soup.find('div', class_='post-intro').find('h2') print(title) data['title'] = title.get_text() summary = soup.find('div', class_='post-intro').find('p') data['summary'] = summary.get_text()returndata
在这里，我们将html下载器的源码进行了分析和解析，从而得到了我们想要拿到的数据，如果beautifulsoup不懂的可以去看一下我之前写的文章。
继续看，数据存储器（dataoutput.py）
importcodecsclass dataoutput(object): def __init__(self): self.datas = [] def store_data(self,data): if data is none: return self.datas.append(data) def output_html(self): fout = codecs.open('baike.html', 'a', encoding='utf-8') fout.write() fout.write() fout.write() fout.write() for data in self.datas: fout.write() fout.write(%s %data['url']) fout.write(《%s》 % data['title']) fout.write([%s] % data['summary']) fout.write(
) self.datas.remove(data) fout.write(
) fout.write() fout.write() fout.close()
大家可能发现我这里是将数据存储到一个html的文件当中，在这里你当然也可以存在mysql或者csv等文件当中，这个看自己的选择，我这里只是为了演示所以就放在了html当中。
最后一个，爬虫调度器（spiderman.py）
from base.dataoutput import dataoutputfrom base.htmlparser import htmlparserfrom base.htmldownload import htmldownloadfrom base.urlmanager import urlmanagerclass spiderman(object): def __init__(self): self.manager = urlmanager() self.downloader = htmldownload() self.parser = htmlparser() self.output = dataoutput() def crawl(self, root_url): # 添加入口url self.manager.add_new_url(root_url) # 判断url管理器中是否有新的url，同时判断抓取多少个url while(self.manager.has_new_url() and self.manager.old_url_size()<100): try: # 从url管理器获取新的url new_url = self.manager.get_new_url() print(new_url) # html下载器下载网页 html = self.downloader.download(new_url) # html解析器抽取网页数据 new_urls, data = self.parser.parser(new_url, html) print(new_urls) # 将抽取的url添加到url管理器中 self.manager.add_new_urls(new_urls) # 数据存储器存储文件 self.output.store_data(data) print(已经抓取%s个链接 % self.manager.old_url_size()) except exception as e: print(failed) print(e) # 数据存储器将文件输出成指定的格式 self.output.output_html()if __name__ == '__main__': spider_man = spiderman()spider_man.crawl(http://www.runoob.com/w3cnote/page/1)
相信这里大家都能看懂，我就是将前面我们写的四个模板在这里把它们调用了一下，我们运行后的结果：
4总结
我们这里简单的讲解了一下，爬虫架构的五个模板，无论是大型爬虫项目还是小型的爬虫项目都离不开这五个模板，希望大家能够照着这些代码写一遍，这样有利于大家的理解，大家以后写爬虫项目也要按照这种架构去写，这样你的爬虫看起来就会更加的规范、健全。
粮食重金属检测仪功能特点的详细介绍
华为与龙岗区政府签署战略合作协议，共同建设全屋智能产业生态
爱接力目标五年之内让每个家庭都配有一台语音交互智能管家机器人
资深FPGA工程师谈评估FPGA资源技巧
荣耀畅玩7评测 结实耐用音量给力599元入门可用
Python爬虫 你真的会写爬虫吗？
苹果智能手机为什么迟迟不搭载屏下指纹识别技术
随着日产能源计划的推出 车企转型又多了一个新方向
谷歌利用人工智能技术来预测航班延误
2018智能硬件开发者创客大会正式开幕_六大活动亮点
低成本打造企业呼叫中心系统，蒲公英智能组网案例解析
荣耀8C的续航怎么样
PCBA加工中：激光回流焊与传统热风焊的区别
锂离子电池的基本工作原理
汽修示波器测量汽车车速传感器信号及分析
7月1日起,闪存产品价格或将出现10-15％涨幅!
千兆位多媒体串行链路SerDes IC推动汽车安全和信息娱乐系统发展
为什么蔚来将于9月份赴美上市，特斯拉却考虑退市私有化？
中国联通：2020 年 12 月 4G 用户净增 112.3 万户
发生漏电的原因